JPH11212591A - パターン認識方法及びパターン認識装置並びにパターン認識プログラムが記録された記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 認識性能を大きく劣化させることなく、処理
に必要な計算量とメモリ量の削減可能なパターン認識方
法等を提供する。 【解決手段】 マイク1から入力された音声に対し、特
徴抽出部２において特徴ベクトルが抽出され、確率計算
部4において抽出した特徴ベクトルと各標準パターンと
の確率計算に基づく比較が行われる。この際、各標準パ
ターンの共分散行列として共通の平均行列を使用する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声認識装置など
のパターン認識装置の技術分野に属し、より詳しくは、
認識パターンの分布を多次元正規分布で表しパターン認
識の計算を行うパターン認識装置の技術分野に属する。

【０００２】

【従来の技術】従来から、人間により知覚される各種情
報をコンピュータを利用してパターン認識させる方法が
知られている。特に、人間の発声した音声を認識し、そ
の言語内容を理解させるための音声認識は、ヒューマン
インターフェースの要素技術として重要になっている。

【０００３】このような音声認識に代表されるパターン
認識をコンピュータを用いて処理する場合、情報源の統
計的性質に着目して、確率モデルを適用したパターン認
識の手法が一般化している。例えば、音声パターンの時
系列による状態遷移を確率的に表現する隠れマルコフモ
デル（ＨＭＭ；Hidden Marcov Model）がその代表的な
ものである。このような手法においては、情報源から認
識に必要な特徴ベクトルを抽出し、モデル化された標準
パターンと確率計算に基づく比較を行ってパターンが認
識される。そして、この標準パターンの確率分布は、通
常、多次元正規分布で表され、平均ベクトルと共分散行
列によって記述することができる。ここで、前記特徴ベ
クトルの次元数がＮである場合、前記共分散行列はＮ×
Ｎの行列となり、確率計算の計算はＮの２乗の比例して
計算量が必要となり、また標準パターンの総数がＭ個で
ある場合、このＭに比例して計算量は増えていく。

【０００４】

【発明が解決しようとする課題】しかしながら、上記特
徴ベクトルは、例えば符号化に対応させる場合などは、
上記次元数Ｎを大きくせざるを得ないこともあり、一層
きめの細かい認識処理を行うためには、上記標準パター
ン総数Ｍを多く必要となることもある。上述したよう
に、確率計算においては、計算量が次元数Ｎの２乗と、
標準パターン総数Ｍとに比例して増大していくので、Ｎ
とＭの値を大きくした場合は、膨大な計算量となること
が考えられる。また、計算量に対応して必要なメモリ量
も同程度の規模で増大することが避けられない。

【０００５】一方、音声認識装置等において認識処理を
実行する場合には、リアルタイム処理が要求されること
が多いので、このような計算量及びメモリ量の増大に対
応するために、高速なＣＰＵや大容量のメモリ等の高価
な部品を採用するなど装置の大幅なコスト上昇を招くこ
とも懸念される。すなわち、確率モデルを適用してある
程度の品質を保持しつつ低コストなパターン認識を実現
することが困難であるという問題点があった。

【０００６】そこで、本発明は、上記の問題点に鑑みな
されたもので、その課題は、確率計算に際して必要な計
算量とメモリ量を、認識性能を大きく劣化させることな
く低減させることを可能とするパターン認識方法及びパ
ターン認識装置並びにパターン認識プログラムが記録さ
れた記録媒体を提供することにある。

【０００７】

【課題を解決するための手段】上記課題を解決するた
め、請求項１に記載の発明は、複数の標準パターンが平
均ベクトルと共分散行列による確率分布として表現され
る確率モデルを用いて、入力されたパターンを認識する
パターン認識方法であって、前記入力されたパターンの
特徴を示す特徴ベクトルを検出する検出工程と、前記検
出した特徴ベクトルと前記複数の標準パターンとの確率
計算に基づく比較を行い、前記計算結果に基づいて前記
入力されたパターンを認識する認識工程とを備え、前記
認識工程において、前記検出した特徴ベクトルと一の前
記標準パターンとの確率計算を行うに際し、前記一の標
準パターンの共分散行列として複数の標準パターンの共
分散行列の平均行列を用いることを特徴とする。

【０００８】請求項１に記載の発明によれば、検出工程
においては、入力パターンの特徴ベクトルが検出され
る。一方、認識工程において、前記特徴ベクトルと前記
標準パターンとの比較がなされ、その際、個々の共分散
行列ではなく、前記共分散行列の平均行列を用いて確率
が計算され、全ての標準パターンについて同様の計算を
行って、その結果に基づき最終的に入力パターンが認識
される。

【０００９】よって、多様なパターンに対応させるた
め、確率モデルとしての標準パターンの総数を多くとっ
た場合であっても、認識処理に必要な確率計算に際し、
それぞれの標準パターン毎の共分散行列を、その平均行
列により代表させて計算を行うので、必要な計算量が大
幅に減少するとともに、計算に付随して使用するメモリ
の容量も小さくできる。

【００１０】請求項２に記載の発明は、請求項１に記載
の発明において、前記複数の標準パターンを所定数のク
ラスに分類するとともに、前記共分散行列の平均行列を
前記クラス毎に設定し、前記検出した特徴ベクトルと一
の前記標準パターンとの確率計算を行うに際し、前記一
の標準パターンの共分散行列として前記一の標準パター
ンが属するクラスに設定された平均行列を用いることを
特徴とする。

【００１１】請求項２に記載の発明によれば、複数の標
準パターンは、その総数より少ない所定数のクラスに分
類される。そして、そのクラス毎に共分散行列の平均行
列を求め確率計算が行われる。

【００１２】よって、適切なクラスの分類を行うことに
より、各共分散行列とその平均行列との隔たりを相対的
に小さくすることができ、認識処理における確率計算の
精度は一層向上する。

【００１３】請求項３に記載の発明は、複数の標準パタ
ーンが平均ベクトルと共分散行列による確率分布として
表現される確率モデルを用いて、入力されたパターンを
認識するパターン認識装置であって、前記入力されたパ
ターンの特徴を示す特徴ベクトルを検出する検出手段
と、前記検出した特徴ベクトルと前記複数の標準パター
ンとの確率計算に基づく比較を行い、前記計算結果に基
づいて前記入力されたパターンを認識する認識手段とを
備え、前記認識手段において前記検出した特徴ベクトル
と一の前記標準パターンとの確率計算を行うに際し、前
記一の標準パターンの共分散行列として複数の標準パタ
ーンの共分散行列の平均行列を用いることを特徴とす
る。

【００１４】請求項３に記載の発明によれば、検出手段
により、入力パターンの特徴ベクトルが検出される。一
方、認識手段により、前記特徴ベクトルと前記標準パタ
ーンとの比較がなされ、その際、個々の共分散行列では
なく、前記共分散行列の平均行列を用いて確率が計算さ
れ、全ての標準パターンについて同様の計算を行って、
その結果に基づき最終的に入力パターンが認識される。

【００１５】よって、多様なパターンに対応させるた
め、確率モデルとしての標準パターンの総数を多くとっ
た場合であっても、認識処理に必要な確率計算に際し、
それぞれの標準パターン毎の共分散行列を、その平均行
列により代表させて計算を行うので、必要な計算量が大
幅に減少するとともに、計算に付随して使用するメモリ
の容量も小さくでき、パターン認識装置の設計において
低コストな部品の採用を容易にする。

【００１６】請求項４に記載の発明は、請求項３に記載
の発明において、前記複数の標準パターンを所定数のク
ラスに分類するとともに、前記共分散行列の平均行列を
前記クラス毎に設定し、前記検出した特徴ベクトルと一
の前記標準パターンとの確率計算を行うに際し、前記一
の標準パターンの共分散行列として前記一の標準パター
ンが属するクラスに設定された平均行列を用いることを
特徴とする。

【００１７】請求項４に記載の発明によれば、複数の標
準パターンは、その総数より少ない所定数のクラスに分
類される。そして、そのクラス毎に共分散行列の平均行
列を求め確率計算が行われる。

【００１８】よって、適切なクラスの分類を行うことに
より、各共分散行列とその平均行列との隔たりを相対的
に小さくすることができ、パターン認識装置で実行され
る確率計算の精度は一層向上する。

【００１９】請求項５に記載の発明は、請求項３又は請
求項４に記載の発明において、前記共分散行列の平均行
列を算出する算出手段をさらに備えることを特徴とす
る。

【００２０】請求項５に記載の発明によれば、算出手段
により、複数の標準パターンに対する共分散行列から、
その平均行列を計算して求め、以後の確率計算に際し
て、この平均行列が用いられる。

【００２１】よって、予めこの平均行列を計算してメモ
リ等に保持しておかなくても、パターン認識の都度、改
めて平均行列が計算されるので、データの変更等が必要
な場合などにも、パターン認識装置の設計変更をするな
ど柔軟に対処できる。

【００２２】請求項６に記載の発明は、コンピュータ
に、複数の標準パターンが平均ベクトルと共分散行列に
よる確率分布として表現される確率モデルを用いて、入
力されたパターンを認識するパターン認識方法を実行さ
せるためのプログラムを記録した記録媒体であって、前
記入力されたパターンの特徴を示す特徴ベクトルを検出
する検出工程と、前記検出した特徴ベクトルと前記複数
の標準パターンとの確率計算に基づく比較を行い、前記
計算結果に基づいて前記入力されたパターンを認識する
認識工程とを備え、前記認識工程において、前記検出し
た特徴ベクトルと一の前記標準パターンとの確率計算を
行うに際し、前記一の標準パターンの共分散行列として
複数の標準パターンの共分散行列の平均行列を用いるこ
とを特徴とする。

【００２３】請求項６に記載の発明によれば、検出工程
においては、入力パターンの特徴ベクトルが検出され
る。一方、認識工程において、前記特徴ベクトルと前記
標準パターンとの比較がなされ、その際、個々の共分散
行列ではなく、前記共分散行列の平均行列を用いて確率
が計算され、全ての標準パターンについて同様の計算を
行って、その結果に基づき最終的に入力パターンが認識
される。

【００２４】よって、多様なパターンに対応させるた
め、確率モデルとしての標準パターンの総数を多くとっ
た場合であっても、認識処理に必要な確率計算に際し、
それぞれの標準パターン毎の共分散行列を、平均行列に
より代表させて計算を行うので、必要な計算量が大幅に
減少でき、計算に付随して使用するメモリの容量も小さ
くできるパターン認識プログラムとして機能する。

【００２５】請求項７に記載の発明は、請求項６に記載
の発明において、前記複数の標準パターンを所定数のク
ラスに分類するとともに、前記共分散行列の平均行列を
前記クラス毎に設定し、前記検出した特徴ベクトルと一
の前記標準パターンとの確率計算を行うに際し、前記一
の標準パターンの共分散行列として前記一の標準パター
ンが属するクラスに設定された平均行列を用いることを
特徴とする。

【００２６】請求項７に記載の発明によれば、複数の標
準パターンは、その総数より少ない所定数のクラスに分
類される。そして、そのクラス毎に共分散行列の平均行
列を求め確率計算が行われる。

【００２７】よって、適切なクラスの分類を行うことに
より、各共分散行列とその平均行列との隔たりを相対的
に小さくすることができ、パターン認識プログラムで処
理される確率計算の精度は一層向上する。

【００２８】請求項８に記載の発明は、請求項６又は請
求項７に記載の発明において、前記共分散行列の平均行
列を算出する算出工程をさらに備えることを特徴とす
る。

【００２９】請求項８に記載の発明によれば、算出工程
において、複数の標準パターンに対する共分散行列か
ら、その平均行列を計算して求め、以後の確率計算に際
して、この平均行列が用いられる。

【００３０】よって、予めこの平均行列を計算してメモ
リ等に保持しておかなくても、パターン認識の都度、改
めて平均行列が計算されるので、データの変更等が必要
な場合などにも柔軟に対処可能なパターン認識プログラ
ムとして機能する。

【００３１】

【発明の実施の形態】以下、本発明の好適な実施形態に
ついて、図面に基づいて説明する。本実施形態は、音声
認識装置に対して本発明を適用した場合の形態である。

【００３２】始めに、上記ＨＭＭを用いた音声認識につ
いて、図１及び図２を用いて一般的に説明する。

【００３３】上記ＨＭＭは、状態遷移確率で結びつけら
れた複数個の状態を持ち、ある状態からある状態へ遷移
する際に所定のシンボル系列を出力するように特徴付け
られたマルコフモデルである。なお、一般に音声認識に
おいては、時間が逆行することのないleft-to-right形
式のマルコフモデルが用いられる。

【００３４】このＨＭＭを用いた音声認識装置において
は、予め、認識対象とする全ての単語についてＨＭＭを
作成し、辞書に登録しておく。そして、音声認識に際し
ては、辞書中からＨＭＭを順次読み出し、それぞれのＨ
ＭＭについて入力音声と同じ観測シンボル系列を出力す
る確率（尤度）を計算し、最も大きな確率を与えるＨＭ
Ｍに対応する単語を認識結果として出力する。

【００３５】図１に、ＨＭＭの例を示す。このＨＭＭ
は、２つのシンボルａ、ｂを出力可能なモデルの例であ
って、内部状態としてＳ１〜Ｓ３の３つの状態を有して
いる。状態はＳ１からスタ−トし、Ｓ３で終了するよう
になっている。各状態Ｓ１〜Ｓ３を結ぶ矢印線が状態遷
移を表し、各矢印線の側に書かれたａｉｊが状態遷移確
率、ｃｉｊがそのときのシンボル出力確率を表してい
る。なお、シンボル出力確率ｃｉｊの〔 〕の中の上側
要素がシンボルａの出力確率、下側要素がシンボルｂの
出力確率である。

【００３６】いま、一例として入力音声の観測シンボル
系列が（ａａｂ）であるとき、図１のＨＮＭがこの観測
シンボル系列（ａａｂ）を出力する確率（尤度）を計算
すると、次のようになる（例えば、太河内正明「マルコ
フモデルによる音声認識」電子情報通信学会誌１９８７
年４月号参照）。

【００３７】まず、観測シンボル系列（ａａｂ）の音節
の長さは／ａ／ａ／ｂ／の３であり、この時点で図１の
ＨＭＭにおいて観測シンボル系列（ａａｂ）を出力可能
な遷移経路（パス）は、Ｓ１→Ｓ１→Ｓ２→Ｓ３、Ｓ１
→Ｓ２→Ｓ２→Ｓ３及びＳ１→Ｓ１→Ｓ１→Ｓ３の３つ
のルートに限定される。

【００３８】各遷移経路について観測シンボル系列（ａ
ａｂ）が出力される確率は、その遷移経路に沿った状態
遷移確率ａｉｊとシンボル出力確率ｃｉｊの全積で表さ
れるので、それぞれ次のような値となる。すなわち、 Ｓ１→Ｓ１→Ｓ２→Ｓ３の場合、0.3×0.8×0.5×1.0×
0.6×0.5＝0.036 Ｓ１→Ｓ２→Ｓ２→Ｓ３の場合、0.5×1.0×0.4×0.3×
0.6×0.5＝0.018 Ｓ１→Ｓ１→Ｓ１→Ｓ３の場合、0.3×0.8×0.3×0.8×
0.2×1.0＝0.01152 観測シンボル系列（ａａｂ）を出力する可能性は、上記
３つの遷移径路のいずれにもあるので、これら３つの確
率の和、すなわち、 ０．０３６＋０．０ｌ８＋０．０ｌｌ５２＝０．０６５
５２ が、図１のＨＭＭにおける観測シンボル系列（ａａｂ）
を出力する確率（尤度）となる。なお、簡易的には、上
記計算した３つの確率の中の最も大きな値０．０３６を
そのＨＭＭの確率として代表させてもよい。

【００３９】このような確率計算を辞書中に登録されて
いる全てのＨＭＭについて行ない、得られた確率の中で
最も大きな値を与えるＨＭＭに対応する単語を認識結果
として出力すれば、入力音声を認識することができる。

【００４０】なお、ＨＭＭには、図２（ａ）及び（ｂ）
に示すようにシンボル出力確率ｃｉｊが不連続的に変化
する離散分布型のＨＭＭと、シンボル出力確率ｃｉｊが
連続的に変化する連続分布型のＨＭＭとがある。このう
ち、離散分布型のＨＭＭは量子化誤差が発生するため、
音声認識では連続分布型のＨＭＭが用いられることが一
般的である。

【００４１】図２（ｂ）に示すように、連続分布型のシ
ンボル出力確率ｃｉｊは、確率分布が正規分布に従い変
化する。そして、シンボルの平均ベクトルμと分散Σに
よってこの分布を規定することができる。従って、連続
分布型のＨＭＭは、状態遷移確率ａｉｊ（図１参照）、
上記シンボルの平均ベクトルμ及び分散Σの３つのパラ
メ−タによってモデル全体が記述されることになる。

【００４２】各登録単語について上記ＨＭＭを作成する
には、音声モデルを表す母集団中の多数のサンプルを用
いて学習し、上記３つのパラメ−タを推定すればよい。
この推定方法として具体的には、例えば前向き後向きア
ルゴリズムなど、種々のアルゴリズムが知られている。

【００４３】また、図１に例示したようなＨＭＭが所定
の観測シンボル系列（ａａｂ）を出力する確率（尤度）
の計算方法についても、前向きアルゴリズム、ビタビ(V
iterbi)アルゴリズムなど、種々のアルゴリズムが知ら
れている。

【００４４】次に、本実施形態に係る音声認識装置の構
成について、図３を用いて説明する。

【００４５】図３に示すように、本実施形態に係る音声
認識装置は、マイク１と、入力音声を分析して音声の性
質を特徴づけるパラメータのベクトルである特徴ベクト
ルを検出する特徴抽出部２と、各単語についてのＨＭＭ
を格納した辞書３と、認識手段としての確率計算部４及
び判定部５とにより構成されている。なお、図３は本発
明の音声認識装置を機能ブロックで表現したものであ
り、実際には、マイクロコンピュータやＤＳＰなどでソ
フトウェア的に実現され、マイク１やその他の部品とと
もに全体が構成される。

【００４６】図３において、マイク１に向かって音声を
発声すると、その入力音声信号は、特徴抽出部２におい
て適当な窓長（フレーム長）で切り出され、当該フレー
ム毎に所定の観測シンボル系列（例えば、１０次元のメ
ルケプストラム等）に変換され、確率計算部４に送られ
る。

【００４７】確率計算部４は、辞書３に登録されている
全てのＨＭＭを順次読み出し、それぞれのＨＭＭについ
て上記観測シンボル系列を生成する確率（尤度）を順次
計算する。

【００４８】判定部５は、上記計算された確率値の中か
ら最大となるものに対応するＨＭＭを選択し、入力音声
に対応する認識結果とする。

【００４９】ここで、本実施形態において、確率計算部
４と判定部５により行われる認識処理について、より具
体的に説明する。

【００５０】特徴部２において検出される特徴ベクトル
は、入力音声の処理単位である１フレーム又は複数フレ
ーム毎にまとめてベクトルとして扱われ、特徴ベクトル
ｙを構成する。そして、辞書３に格納されるＨＭＭの標
準パターンの分布θiとこの特徴ベクトルｙとの比較が
行われる。なお、当該ベクトルの次元数はＮとし、辞書
３中の標準パターンの分布θiの個数はＭ個であるとす
る。

【００５１】この標準パターンの分布θiは、一般に多
次元正規分布に従い、各分布のＮ次元の平均ベクトルμ
iとＮ×Ｎ次元の共分散行列Σiによって表現される。そ
して、各標準パターンの分布θiと特徴ベクトルｙとの
比較をするに際し、次式を計算して確率密度関数ｂiを
求める。

【００５２】

【数１】 また、上式において、Ｄiは特徴ベクトルと各標準パタ
ーンとの距離を示すものであり、 Ｄi＝（ｙ−μi）ｔΣi-1（ｙ−μi） で与えられる。ただし、ｔは転置、−１は逆行列を表
す。

【００５３】通常、上記計算を元に認識結果を得るため
には、辞書３内の全ての標準パターンについて計算を行
う必要がある。その際、Ｄiを求めるにあたっては、
（ｙ−μi）ｔと（ｙ−μi）がＮ次元で、Σi-1がＮ×
Ｎ次元であり、分布θiの個数がＭ個であることを考慮
すると、Ｍ×（Ｎ２＋Ｎ）回程度の乗算回数が必要とな
る。さらに、計算の過程を保持するためのメモリについ
ても、同程度の規模の容量が要求される。そのため、次
元数Ｎを大きくとると、認識処理のための処理量、メモ
リ量とも飛躍的に大きくなってしまうので、特にリアル
タイム処理が要求される場合などに、支障を来すことと
なる。

【００５４】本実施形態においては、この点を解決する
ために以下に説明するような処理によって、認識処理の
ための処理量とメモリ量の削減を図っている。

【００５５】まず、共分散行列ΣiのＭ個の分布θiにつ
いての平均行列Σaを計算する。そして、上記Ｄiの計算
の際、各分布の共分散行列Σiを近似的にΣaで置き換え
る。ここで、Σaの逆行列Σa-1は対称行列であるから、 Σa-1＝ＡtＡ のように、Ｎ次元行列Ａの積に分解することができる。

【００５６】従って、Ｄiは次の式のように計算でき
る。

【００５７】 Ｄi＝（ｙ−μi）ｔΣa-1（ｙ−μi） ＝（ｙ−μi）ＡtＡ（ｙ−μi） ＝（Ａｙ-Ａμi）ｔ（Ａｙ-Ａμi） ここで、Ａμiの計算は、辞書３における標準パターン
が変更された場合にのみ行えばよく、認識処理時にその
都度計算する必要はない。また、Ａｙの計算も、Ｍ個全
ての分布θiとの比較を行う前に一回行えばよい。

【００５８】よって、ＤIを求めるにあたって必要な乗
算回数は、Ｎ２＋Ｍ×Ｎ回程度となり、対応するメモリ
量についても同程度の規模となる。従って、平均行列Σ
aを用いない場合のＭ×（Ｎ２＋Ｎ）回と比較して、計
算量、メモリ量とも、かなり少なくなることがわかる。
また、標準パターン総数Ｎと次元数Ｎが大きくなるほ
ど、計算量とメモリ量の削減の効果も大きくなっていく
ことがわかる。

【００５９】このように個々の標準パターンの共分散行
列Σiを平均行列Σaで置き換えて近似的な確率計算を行
う場合は、厳密な確率計算を行う場合と比較して精度は
少し低くなる。しかし、確率モデルにおける共分散行列
は、例えば平均ベクトルμiなどと比べて、相対的に各
分布間の差は少ないため、このような近似計算を行った
としても、通常のパターン認識処理における最終的な認
識結果にはあまり影響を与えることはない。なお、この
点は、実験的にも確認されている。

【００６０】なお、この平均行列Σaは、予め計算を行
った上で、算出された値を、ＲＯＭ等に保持しておき、
認識処理に際して値を読み取って確率計算に用いること
ができる。また、平均行列Σaを予め求めるのではな
く、認識処理に際して計算を行って値を求め、その値を
確率計算に用いるようにすることもできる。前者の方法
では、後者の方法に比べ処理量の点で有利となるが、後
者の方法は前者の方法よりも、標準データの組み合わせ
の変更などに伴い平均行列Σaの値の修正が必要な場合
にも柔軟に対処できる点では有利である。

【００６１】次に、上述した計算方法では、辞書３中に
登録されている複数の標準パターンに対して共分散行列
の平均行列を１つだけ求めるものであるが、この平均行
列を複数個求める方法もとることができる。具体的に
は、標準パターンの各分布θiをその特性に応じてＫ個
（Ｋ＜Ｍ）のクラスに分類し、それぞらのクラス内で共
分散行列の平均行列を求めた上で、距離Ｄiを各クラス
における平均行列を用いて前述のように計算する。この
ようにすると、ＤIを求めるにあたって必要な乗算回数
は、Ｋ×Ｎ２＋Ｍ×Ｎ回程度となり、対応するメモリ量
についても同程度の規模となる。従って、計算量とメモ
リ量の削減の効果は１つの平均行列を求める場合と比べ
るとやや小さくなるが、確率計算における精度は向上す
る。よって、高精度が要求される特別なパターン認識を
行う場合には、このような計算方法を採用することが望
ましい。

【００６２】なお、本発明は上記音声認識装置に対して
適用される場合に限定されるものではなく、その他のパ
ターン認識装置、パターン認識方法に対して広く適用可
能である。

【００６３】また、本発明は上述した本発明に係るパタ
ーン認識装置を機能させるプログラムは、コンピュータ
に読み取り可能なＲＯＭ、ＣＤ−ＲＯＭ、フロッピーデ
ィスク等の記録媒体に記録させることが可能である。そ
して、当該ＲＯＭ等を用いてコンピュータにおいて当該
プログラムをインストールし、実行することにより、本
発明のパターン認識装置が実現される。

【００６４】

【発明の効果】以上説明したように、請求項１に記載の
発明によれば、認識処理中の確率計算の際、各標準パタ
ーンの共分散行列を、その平均行列で代表させて計算処
理をするようにしたので、必要な計算量が大幅に減少す
るとともに、計算に付随して使用するメモリの容量も小
さくできる。よって、パターン認識に伴う処理負担を軽
減し、コスト低減を可能とする。

【００６５】請求項２に記載の発明によれば、複数の標
準パターンをクラスに分類し、クラス毎に共分散行列の
平均行列を求め代表させ確率計算を行うようにしたの
で、各共分散行列とその平均行列との隔たりを相対的に
小さくでき、確率計算の精度を一層高める。よって、良
好なパターン認識性能を保持しつつ、処理負担の軽減と
コスト低減を可能とする。

【００６６】請求項３に記載の発明によれば、認識処理
中の確率計算の際、各標準パターンの共分散行列を、そ
の平均行列で代表させて計算処理をするようにしたの
で、必要な計算量が大幅に減少するとともに、計算に付
随して使用するメモリの容量も小さくできる。よって、
パターン認識装置に高価な部品を用いる必要性を減ら
し、コスト低減を可能とする。

【００６７】請求項４に記載の発明によれば、複数の標
準パターンをクラスに分類し、クラス毎に共分散行列の
平均行列を求め代表させ確率計算を行うようにしたの
で、各共分散行列とその平均行列との隔たりを相対的に
小さくでき、確率計算の精度を一層高める。よって、良
好なパターン認識性能を保持しつつ、パターン認識装置
のコスト低減を可能とする。

【００６８】請求項５に記載の発明によれば、複数の標
準パターンの共分散行列の平均行列を求めて記憶し、こ
の値を用いて以後の確率計算を行うようにしたので、予
めメモリ等に平均行列を保持せず、処理の度に計算すれ
ばよく、データ変更等にも柔軟に対処できる。よって、
より処理の自由度が大きいパターン認識装置が提供され
る。

【００６９】請求項６に記載の発明によれば、認識処理
中の確率計算の際、各標準パターンの共分散行列を、そ
の平均行列で代表させて計算処理をするようにしたの
で、必要な計算量が大幅に減少するとともに、計算に付
随して使用するメモリの容量も小さくできる。よって、
パターン認識のための処理を効率的に行い、コスト低減
に有利なソフトウェアを提供できる。

【００７０】請求項７に記載の発明によれば、複数の標
準パターンをクラスに分類し、クラス毎に共分散行列の
平均行列を求め代表させ確率計算を行うようにしたの
で、各共分散行列とその平均行列との隔たりを相対的に
小さくでき、確率計算の精度を一層高める。よって、良
好なパターン認識性能を保持しつつ、効率的な処理がで
き、コスト低減に有利なソフトウェアを提供できる。

【００７１】請求項８に記載の発明によれば、複数の標
準パターンの共分散行列の平均行列を求めて記憶し、こ
の値を用いて以後の確率計算を行うようにしたので、予
めメモリ等に平均行列を保持せず、処理の度に計算すれ
ばよく、データ変更等にも柔軟に対処できる。よって、
より処理の自由度が大きいソフトウェアを提供できる。

【図面の簡単な説明】

【図１】ＨＭＭの概念を示す図である。

【図２】ＨＭＭの種類を示す図であり、（ａ）は離散分
布型のＨＭＭを示す図であり、（ｂ）は連続分布型のＨ
ＭＭを示す図である。

【図３】本実施形態の音声認識装置の構成を示すブロッ
ク図である。

【符号の説明】

１…マイク ２…特徴抽出部 ３…辞書 ４…確率計算部 ５…判定部

Claims (8)

【特許請求の範囲】
1. 【請求項１】 複数の標準パターンが平均ベクトルと共
   分散行列による確率分布として表現される確率モデルを
   用いて、入力されたパターンを認識するパターン認識方
   法であって、 前記入力されたパターンの特徴を示す特徴ベクトルを検
   出する検出工程と、 前記検出した特徴ベクトルと前記複数の標準パターンと
   の確率計算に基づく比較を行い、前記計算結果に基づい
   て前記入力されたパターンを認識する認識工程と、を備
   え、 前記認識工程において、前記検出した特徴ベクトルと一
   の前記標準パターンとの確率計算を行うに際し、前記一
   の標準パターンの共分散行列として複数の標準パターン
   の共分散行列の平均行列を用いることを特徴とするパタ
   ーン認識方法。
2. 【請求項２】 前記複数の標準パターンを所定数のクラ
   スに分類するとともに、前記共分散行列の平均行列を前
   記クラス毎に設定し、前記検出した特徴ベクトルと一の
   前記標準パターンとの確率計算を行うに際し、前記一の
   標準パターンの共分散行列として前記一の標準パターン
   が属するクラスに設定された平均行列を用いることを特
   徴とする請求項１に記載のパターン認識方法。
3. 【請求項３】 複数の標準パターンが平均ベクトルと共
   分散行列による確率分布として表現される確率モデルを
   用いて、入力されたパターンを認識するパターン認識装
   置であって、 前記入力されたパターンの特徴を示す特徴ベクトルを検
   出する検出手段と、 前記検出した特徴ベクトルと前記複数の標準パターンと
   の確率計算に基づく比較を行い、前記計算結果に基づい
   て前記入力されたパターンを認識する認識手段と、を備
   え、 前記認識手段において前記検出した特徴ベクトルと一の
   前記標準パターンとの確率計算を行うに際し、前記一の
   標準パターンの共分散行列として複数の標準パターンの
   共分散行列の平均行列を用いることを特徴とするパター
   ン認識装置。
4. 【請求項４】 前記複数の標準パターンを所定数のクラ
   スに分類するとともに、前記共分散行列の平均行列を前
   記クラス毎に設定し、前記検出した特徴ベクトルと一の
   前記標準パターンとの確率計算を行うに際し、前記一の
   標準パターンの共分散行列として前記一の標準パターン
   が属するクラスに設定された平均行列を用いることを特
   徴とする請求項３に記載のパターン認識装置。
5. 【請求項５】 前記共分散行列の平均行列を算出する算
   出手段をさらに備えることを特徴とする請求項３又は請
   求項４に記載のパターン認識装置。
6. 【請求項６】 コンピュータに、複数の標準パターンが
   平均ベクトルと共分散行列による確率分布として表現さ
   れる確率モデルを用いて、入力されたパターンを認識す
   るパターン認識方法を実行させるためのプログラムを記
   録した記録媒体であって、 前記入力されたパターンの特徴を示す特徴ベクトルを検
   出する検出工程と、 前記検出した特徴ベクトルと前記複数の標準パターンと
   の確率計算に基づく比較を行い、前記計算結果に基づい
   て前記入力されたパターンを認識する認識工程と、を備
   え、 前記認識工程において、前記検出した特徴ベクトルと一
   の前記標準パターンとの確率計算を行うに際し、前記一
   の標準パターンの共分散行列として複数の標準パターン
   の共分散行列の平均行列を用いることを特徴とするパタ
   ーン認識方法を実行させるためのプログラムを記録した
   記録媒体。
7. 【請求項７】 前記複数の標準パターンを所定数のクラ
   スに分類するとともに、前記共分散行列の平均行列を前
   記クラス毎に設定し、前記検出した特徴ベクトルと一の
   前記標準パターンとの確率計算を行うに際し、前記一の
   標準パターンの共分散行列として前記一の標準パターン
   が属するクラスに設定された平均行列を用いることを特
   徴とする請求項６に記載のパターン認識方法を実行させ
   るためのプログラムを記録した記録媒体。
8. 【請求項８】 前記共分散行列の平均行列を算出する算
   出工程をさらに備えることを特徴とする請求項６又は請
   求項７に記載のパターン認識方法を実行させるためのプ
   ログラムを記録した記録媒体。